KR101912090B1 - Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation - Google Patents

Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation Download PDF

Info

Publication number
KR101912090B1
KR101912090B1 KR1020120012960A KR20120012960A KR101912090B1 KR 101912090 B1 KR101912090 B1 KR 101912090B1 KR 1020120012960 A KR1020120012960 A KR 1020120012960A KR 20120012960 A KR20120012960 A KR 20120012960A KR 101912090 B1 KR101912090 B1 KR 101912090B1
Authority
KR
South Korea
Prior art keywords
wave
atrial fibrillation
prediction model
profile
feature
Prior art date
Application number
KR1020120012960A
Other languages
Korean (ko)
Other versions
KR20130091574A (en
Inventor
황혜수
강효아
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to KR1020120012960A priority Critical patent/KR101912090B1/en
Priority to US13/561,403 priority patent/US8655435B2/en
Publication of KR20130091574A publication Critical patent/KR20130091574A/en
Application granted granted Critical
Publication of KR101912090B1 publication Critical patent/KR101912090B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

심방세동 예측 모델 생성 기술 및 심방세동 예측 기술을 개시한다. 설정된 시간 구간내의 심방세동 환자군 및 심방세동 비환자군의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 이들을 기반으로 심방세동 예측에 이용할 수 있는 심방세동 예측 모델을 생성한다.
실시간 수집되는 측정 대상자의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 추출된 측정 대상자의 T파의 중요 특징에 대응하는 심방세동 양상을 미리 저장된 심방세동 예측 모델로부터 검색하여 심방세동 발생 가능성을 예측한다.Atrial fibrillation prediction model generation technique and atrial fibrillation prediction technique. Atrial fibrillation prediction model that can be used to predict atrial fibrillation is generated based on the extracted features of T waves by analyzing electrocardiographic data of atrial fibrillation patients and non-atrial fibrillation patients within the set time interval.
The analysis of the electrocardiogram data of the subject measured in real time and extracting the important features of the T wave and retrieving the atrial fibrillation pattern corresponding to the important features of the T wave of the extracted subject from the stored atrial fibrillation prediction model, .

Description

심방세동 예측 모델 생성장치 및 방법과, 심방세동 예측장치 및 방법{Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation}Technical Field The present invention relates to an apparatus and method for generating an atrial fibrillation prediction model and an apparatus and method for predicting an atrial fibrillation,

심방세동(AF : Atrial Fibrillation) 예측 기술에 관련한 것으로, 특히 T파 정보를 이용한 심방세동 예측 모델 생성 기술 및 T파 정보를 이용한 심방세동 예측 기술에 관한 것이다.The present invention relates to atrial fibrillation (AF) prediction technology, and more particularly, to atrial fibrillation prediction model generation technique using T wave information and atrial fibrillation prediction technology using T wave information.

심장박동이 너무 늦거나, 너무 빠르거나 또는 규칙적이지 않은 상태, 즉 심장박동이 정상이 아닌 상태를 부정맥(Arrhythmia)이라고 한다. 심방세동(AF; Atrial Fibrillation)은 이 부정맥 중의 하나인데, 심방이 정상적으로 박동하지 않고 각 부분이 무질서하고 가늘게 떨고 있는 상태이며, 이에 따라 빠르고 불규칙한 심박동을 보이게 된다.Arrhythmia is a condition in which the heart rate is too late, too fast, or not regular, ie, the heart rate is not normal. Atrial fibrillation (AF) is one of these arrhythmias, in which the atria do not normally pulsate and each part is disorderly and shaky, resulting in rapid and irregular heartbeats.

심방세동은 비교적 자주 나타나는 부정맥 중 하나이며, 치료를 필요로 하는 부정맥 중에서는 가장 흔하여 전체 부정맥 관련 입원 환자의 약 33%가 심방세동 환자이다. 이와 같이 빈발하는 심방세동을 조기에 정확히 예측하는 것은 의학적으로 큰 의미가 있다. Atrial fibrillation is one of the more frequent arrhythmias, and among the arrhythmias requiring treatment, the most common is atrial fibrillation in about 33% of patients with total arrhythmia. Early precise prediction of such frequent atrial fibrillation is of great medical significance.

심방이 정상적인 수축을 하지 못하고 가늘게 떨고 있는 상태인 심방세동이 발생했을 경우, 그 자체로도 호흡곤란이나 흉통 등의 증상을 유발할 수 있다. 그러나, 이와 같은 심방세동 자체의 증상 이외에도 더 심각하고 위험한 부정맥이 일어날 확률이 높아지며, 심방세동으로 인하여 혈액이 심장 밖으로 효과적으로 펌프질되지 못함으로써 파생되는 각종 심각한 문제들의 위험도도 동시에 증가하게 된다.If atrial fibrillation is present, which is a condition where the atrium is not shrunk normally and is shaky, it can cause symptoms such as dyspnea and chest pain. However, in addition to the symptoms of atrial fibrillation itself, the risk of more serious and dangerous arrhythmias increases, and the risk of various serious problems arising from atrial fibrillation due to inability to pump blood out of the heart due to atrial fibrillation is also increased.

심방세동이 있는 환자는 일반 정상인에 비하여 뇌졸중(Stroke)의 위험도가 5배 증가하며, 이로 인한 사망률은 2배 증가한다. 또한, 심방세동 관련 각종 합병증으로 인해 심장병으로 인한 사망률이 정상인보다 2배 정도 높다. Patients with atrial fibrillation have a 5-fold increased risk of stroke and a 2-fold increase in mortality compared to normal individuals. Also, due to various complications related to atrial fibrillation, the mortality rate due to heart disease is two times higher than normal.

심방세동이 갑자기 생겨 맥박수가 너무 빨라지는 경우에는 심장에 피를 채울 시간이 부족하여 심박출양(심장이 수축할 때 뿜어내는 혈액의 양)이 급격히 감소하게 되는데, 정상적인 심장에서는 심방의 수축은 심박출양의 약 30% 정도를 차지하므로 부족한 심박출양을 보충하기 위해 심박동수가 지속적으로 빨라지게 된다.If atrial fibrillation occurs suddenly and the heart rate is too fast, there is a shortage of time to fill the heart, so the heart rate (the amount of blood that the heart exhales when it shrinks) sharply decreases. In normal heart, The heart rate is constantly increased to compensate for insufficient heart rate.

이에 따라, 심장에 부담을 주어 심장의 기능이 저하되게 되어 심장의 구조적 변화가 야기하며, 이로 인하여 심부전(Heart Failure)을 발병 혹은 악화시킬 수 있음이 알려져 있다. 또한, 심방세동으로 인하여 심장이 정상적인 수축을 하지 못하게 되면 혈액이 심장에 울혈되면서 심장 내 혈액 응고의 위험이 증가한다.As a result, it is known that the heart is burdened, the function of the heart is lowered, and the heart is structurally changed, thereby causing or worsening heart failure. In addition, if atrial fibrillation prevents normal contraction of the heart, blood is congested in the heart, increasing the risk of blood clotting in the heart.

이와 같이 심장 내에서 형성된 혈전은 동맥을 타고 나가 뇌혈관 및 다른 부위의 혈관들을 막게 되게 되고, 이에 따라 심방세동 환자의 뇌졸중(Stroke)이나 혈전색전증(Thromboembolism) 위험도는 크게 증가하게 된다.In this way, the thrombus formed in the heart rides on the artery and blocks the blood vessels of the cerebral blood vessels and other parts, and thus the risk of stroke or thromboembolism in patients with atrial fibrillation is greatly increased.

특히, 수술 전후 환자들을 대상으로 심방세동을 사전에 정확히 예측하는 것은 의학적으로 매우 유용하다. 심방세동은 흉부외과 수술이나 관상동맥우회술(CABG; Coronary Artery Bypass Grafting) 등의 시술 후 환자들에게 발생하는 합병증 중 가장 흔하다.In particular, precise prediction of atrial fibrillation in patients before and after surgery is very useful medically. Atrial fibrillation is the most common complication in patients after thoracic surgery or coronary artery bypass grafting (CABG).

심방세동 정확히 예측할 수 있게 되면, 다양한 심방 페이싱(pacing) 방법들을 고려하여 심방세동을 예방할 수 있는 가능성을 높여서 입원 비용이나 환자의 고통 경감에 도움을 줄 수 있다.Atrial fibrillation Once accurately predicted, the various atrial pacing methods are considered to increase the likelihood of preventing atrial fibrillation, which may help reduce hospitalization costs and patient suffering.

특히, 수술 전 환자에게 심방세동 위험도에 대한 사전 예측을 시행하여 수술 후 심방세동 발생 위험도를 정확히 예측할 수 있게 되면, 심방세동 발생 위험도가 높은 환자에게는 항부정맥 관련 치료(drugs or electrical pacing)를 미리 적절히 시행함으로써 심방세동을 미연에 예방할 수 있으며, 저위험군의 환자들에게 행해지는 과도한 예방 처치를 방지할 수 있다.
선행기술문헌: 미국 특허출원공개공보 US2010/0217144호In particular, if the risk of atrial fibrillation can be accurately predicted by predicting the risk of atrial fibrillation before surgery, patients with high risk of atrial fibrillation should be treated with appropriate drugs or electrical pacing This can prevent atrial fibrillation and prevent over-prophylaxis of low-risk patients.
Prior Art Document: United States Patent Application Publication No. US2010 / 0217144

설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 이들을 기반으로 심방세동 예측에 이용할 수 있는 심방세동 예측 모델을 생성할 수 있는 T파 정보를 이용한 심방세동 예측 모델 생성 기술을 제공한다.Provides technology for generating atrial fibrillation prediction model using T wave information that can extract the important features of T waves by analyzing ECG data within the set time interval and generate atrial fibrillation prediction model that can be used for atrial fibrillation prediction based on these data do.

한편, 설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 추출된 T파의 중요 특징들과 관련한 심방세동 예측 모델을 검색하여 미래의 심방세동 발생 가능성을 예측할 수 있는 T파 정보를 이용한 심방세동 예측 기술을 제공한다.On the other hand, by analyzing the electrocardiogram data within the set time interval and extracting the important features of the T wave and searching the atrial fibrillation prediction model related to the important features of the extracted T wave, the T wave information Of the atrial fibrillation.

일 양상에 따르면, 심방세동 예측 모델 생성장치가 심전도 데이터로부터 설정된 시간 구간내의 T파 특징들을 추출하고, T파 특징들을 분석해 T파 특징 프로파일을 생성하는 특징 추출부와; 특징 추출부에 의해 생성된 T파 특징 프로파일을 분류하여 심방세동 예측 모델을 생성하는 예측 모델 생성부를; 포함할 수 있다.According to one aspect, the atrial fibrillation prediction model generation apparatus extracts T-wave features within a set time interval from electrocardiogram data, and analyzes the T-wave characteristics to generate a T-wave feature profile; A predictive model generation unit for classifying the T wave feature profile generated by the feature extraction unit to generate an atrial fibrillation prediction model; .

또 다른 양상에 따르면, 심방세동 예측장치가 실시간 수집되는 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 특징들을 추출하고, T파 특징들을 분석해 T파 특징 프로파일을 생성하는 특징 추출부와; 미리 저장된 심방세동 예측 모델을 참조해 특징 추출부에 의해 생성된 T파 특징 프로파일에 대응하는 심방세동 양상에 따른 T파 파생 특징 패턴을 검색해 측정 대상자의 심방세동 발생 가능성을 예측하는 심방세동 예측부와; 심방세동 예측부에 의해 예측된 심방세동 발생 가능성 결과를 출력하는 예측 결과 출력부를; 포함할 수 있다.According to yet another aspect, the atrial fibrillation prediction apparatus includes a feature extraction unit for extracting T wave features within a set time interval from electrocardiogram data of a measurement subject to be collected in real time, and analyzing T wave features to generate a T wave feature profile; An atrial fibrillation predicting unit for predicting the possibility of atrial fibrillation of a subject to be measured by searching for a T wave derived characteristic pattern according to the atrial fibrillation pattern corresponding to the T wave characteristic profile generated by the characteristic extracting unit by referring to a previously stored atrial fibrillation prediction model; ; A predicted result output unit for outputting a predicted result of the atrial fibrillation probability predicted by the atrial fibrillation predictor; .

부가적인 양상에 따르면, 특징 추출부가 심전도 데이터에 포함되는 잡음을 제거하는 잡음 제거부와; 잡음 제거부에 의해 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출하는 T파 검출부와; T파 검출부에 의해 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성하는 파생 특징 생성부와; 파생 특징 생성부에 의해 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성하는 프로파일 생성부를; 포함할 수 있다According to a further aspect, there is provided an apparatus for extracting electrocardiogram data, comprising: a noise extractor for extracting noise included in an electrocardiogram data by a feature extracting unit; A T wave detector for detecting T wave fundamental characteristics within a set time interval from electrocardiogram data in which noises are removed by noise elimination; A derivative feature generation unit for analyzing the T wave fundamental characteristics detected by the T wave detection unit to generate T wave derivative features for each beat; A profile generation unit for generating a T wave characteristic profile using beat-specific T wave derivation features generated by the derived feature generation unit; Can include

부가적인 양상에 따르면, 프로파일 생성부가 박동(beat)별 T파 파생 특징들의 평균값을 계산하여 T파 특징 프로파일을 생성하도록 구현될 수 있다.According to an additional aspect, the profile generator may be implemented to calculate an average of T-wave derived features per beat to generate a T-wave feature profile.

부가적인 양상에 따르면, 프로파일 생성부가 박동(beat)별 T파 파생 특징들의 평균값을 계산하고, 평균값과 비교해 표준편차 이내의 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다.According to an additional aspect, the profile generator may be configured to calculate an average value of T-wave derived features per beat and select T-wave derived features within a standard deviation to compare with an average value to generate a T-wave feature profile.

부가적인 양상에 따르면, 프로파일 생성부가 박동(beat)별 T파 파생 특징들과 임계조건을 비교해 임계조건을 충족하는 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다.According to an additional aspect, the profile generator may be configured to compare the threshold conditions with beat-specific T-wave derived features to generate a T-wave feature profile by selecting T-wave derived features that meet the threshold condition.

부가적인 양상에 따르면, T파 검출부가 각 채널별 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 측정 채널별로 검출하도록 구현될 수 있다.According to an additional aspect, the T wave detector may be configured to detect the T wave fundamental characteristics within the set time interval from the electrocardiogram data for each channel for each measurement channel.

부가적인 양상에 따르면, T파 기본 특징이 T파 시작 위치, T파 피크, T파 종료 위치, T파 진폭, T파 영역(area), T파 좌측 영역, T파 우측 영역 정보를 포함할 수 있다.According to an additional aspect, the T wave fundamental features may include T wave start position, T wave peak, T wave end position, T wave amplitude, T wave area, T wave left side area, T wave right side area information have.

부가적인 양상에 따르면, T파 파생 특징이 T파 기간(duration), T파 좌측 기간, T파 우측 기간, T파 기간 변동, T파 좌측 기간 변동, T파 우측 기간 변동, T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동을 포함할 수 있다.According to an additional aspect, the T wave derivation feature is a T wave duration, a T wave left period, a T wave right period, a T wave period variation, a T wave left period variation, a T wave right period variation, T-wave region variation, T-wave left region variation, and T-wave right region variation.

설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 이들을 기반으로 심방세동 예측에 이용할 수 있는 심방세동 예측 모델을 생성할 수 있어, 모델 기반의 심방세동 발생 가능성 예측이 가능하도록 한다.We can analyze the electrocardiogram data within the set time interval to extract the important features of the T wave and generate the atrial fibrillation prediction model that can be used for predicting the atrial fibrillation based on these, so that the possibility of model-based atrial fibrillation can be predicted .

한편, 설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 추출된 T파의 중요 특징들과 관련한 심방세동 예측 모델을 검색하여 미래의 심방세동 발생 가능성을 예측할 수 있어, 심방세동 발생 위험도가 높은 환자의 심방세동 발생을 미연에 예방할 수 있으며, 저위험군의 환자들에게 행해지는 과도한 예방 처치를 방지할 수 있다.On the other hand, it is possible to analyze the electrocardiogram data within the set time interval to extract important features of the T wave and to predict the possibility of future atrial fibrillation by searching the atrial fibrillation prediction model related to the important features of the extracted T wave, It is possible to prevent the occurrence of atrial fibrillation in patients with high risk of occurrence and to prevent excessive preventive treatment performed in patients of low risk group.

도 1 은 본 발명에 따른 심방세동 예측 모델 생성장치의 일 실시예에 따른 블럭도이다.
도 2 는 한 박동의 심전도 데이터 파형의 일 예를 도시한 도면이다.
도 3 은 본 발명에 따른 심방세동 예측장치의 일 실시예에 따른 블럭도이다.
도 4 는 본 발명에 따른 심방세동 예측장치의 심방세동 예측 개요도이다.
도 5 는 본 발명에 따른 심방세동 예측 모델 생성장치의 심방세동 예측 모델 생성 동작의 일 예를 도시한 흐름도이다.
도 6 는 본 발명에 따른 심방세동 예측장치의 심방세동 발생 가능성 예측 동작의 일 예를 도시한 흐름도이다.1 is a block diagram of an apparatus for generating an atrial fibrillation prediction model according to an embodiment of the present invention.
2 is a diagram showing an example of an electrocardiogram data waveform of one heartbeat.
3 is a block diagram of an atrial fibrillation prediction apparatus according to an embodiment of the present invention.
4 is a schematic diagram of atrial fibrillation prediction of the atrial fibrillation prediction apparatus according to the present invention.
FIG. 5 is a flowchart illustrating an operation of generating an atrial fibrillation prediction model of an apparatus for generating an atrial fibrillation prediction model according to the present invention.
FIG. 6 is a flowchart illustrating an operation of predicting the possibility of atrial fibrillation in the atrial fibrillation prediction apparatus according to the present invention.

이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Reference will now be made in detail to embodiments of the present invention, examples of which are illustrated in the accompanying drawings, wherein like reference numerals refer to the like elements throughout.

발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail.

명세서 전반에 걸쳐 사용되는 용어들은 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서, 사용자 또는 운용자의 의도, 관례 등에 따라 충분히 변형될 수 있는 사항이므로, 이 용어들의 정의는 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.The terms used throughout the specification are defined in consideration of the functions in the embodiments of the present invention and can be sufficiently modified according to the intentions and customs of the user or the operator. .

도 1 은 본 발명에 따른 심방세동 예측 모델 생성장치의 일 실시예에 따른 블럭도이다. 도 1 에 도시한 바와 같이, 이 실시예에 따른 심방세동 예측 모델 생성장치(100)는 특징 추출부(110)와, 예측 모델 생성부(120)를 포함할 수 있다.1 is a block diagram of an apparatus for generating an atrial fibrillation prediction model according to an embodiment of the present invention. As shown in FIG. 1, the atrial fibrillation prediction model generating apparatus 100 according to this embodiment may include a feature extracting unit 110 and a predictive model generating unit 120.

특징 추출부(110)는 심전도 데이터로부터 설정된 시간 구간내의 T파 특징들을 추출하고, T파 특징들을 분석해 T파 특징 프로파일을 생성한다. 심전도 데이터는 심전도 측정장치(도면 도시 생략)에 의해 측정되며, 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있다.The feature extraction unit 110 extracts T-wave features within the set time interval from the electrocardiogram data, and analyzes the T-wave features to generate a T-wave feature profile. The electrocardiogram data is measured by an electrocardiogram measuring device (not shown), and a plurality of electrocardiogram data can be measured through a plurality of measurement channels according to the number of electrodes attached to the body.

심근은 한번에 탈분극하지 않으며, 심방이 탈분극하고 난 후 심실이 탈분극한다. 심실이 탈분극하는 동안 심방은 재분극을 일으키고, 정확한 순서에 의해 심실이 재분극을 일으키게 된다.Myocardium does not depolarize at one time, and ventricular depolarization occurs after atrial depolarization. During ventricular depolarization, the atrium causes repolarization, and the correct sequence leads to ventricular repolarization.

즉, 심근에서의 탈분극과 재분극은 차례대로 일어나며, 전위차는 심장의 위치에 따라 차이가 나타나는데, 이러한 현상을 신체 표면에 전극을 부착하여 감지할 수 있다. 이러한 원리를 이용해 심전도 측정장치(도면 도시 생략)를 통해 심전도 데이터를 얻을 수 있다.In other words, depolarization and repolarization occur in the myocardium in order, and the potential difference is different according to the position of the heart. This phenomenon can be detected by attaching electrodes to the body surface. Using this principle, electrocardiogram data can be obtained through an electrocardiogram measuring device (not shown).

도 2 는 한 박동의 심전도 데이터 파형의 일 예를 도시한 도면이다. 도 2 에 도시한 심전도 데이터 파형은 심장이 1회 박동(Beat)시 전기신호 세기의 변화를 도시한 것이다.2 is a diagram showing an example of an electrocardiogram data waveform of one heartbeat. The electrocardiogram data waveform shown in FIG. 2 shows a change in the electrical signal intensity at the time of one beat of the heart.

한 박동의 심전도 데이터 파형은 P파(wave), QRS파, T파, U파를 포함하며, PR 간격(interval), QT 간격, ST 세그먼트(segment) 등의 요소를 포함한다. P파는 동방결절로부터 나온 충격이 심방으로 퍼져 발생하는 심방의 탈분극에 관련된 시그널(signal)이다.An electrocardiogram data waveform of a heartbeat includes a P wave, a QRS wave, a T wave, a U wave, and includes elements such as a PR interval, a QT interval, and an ST segment. The P wave is a signal related to depolarization of the atria that occurs due to the atrium from the shock coming from the east nodule.

QRS파는 Q, R, S 세개의 파를 포함하고 있으며, 심실의 탈분극에 관련된 시그널이다. 심실은 심방처럼 아주 빠르게 탈분극을 일으키는데, 그 이유는 히스 푸르킨계에서 심방전도계보다 훨씬 더 빠르기 때문이다.The QRS wave contains three waves of Q, R, S and is a signal related to ventricular depolarization. The ventricles cause depolarization very quickly, like the atria, because they are much faster than the atrial conduction system in the Hispurkin system.

T파는 심실의 재분극에 관련된 시그널로, 높이와 폭이 일정하지 않다. U파는 심실의 재분극 마지막 단계에서 나타나는 느린파로, 베이스 라인(baseline)에서 점차적으로 또는 갑자기 시작되거나, T파 후반 경사 부위에서 시작된다.The T wave is a signal related to the repolarization of the ventricles. The height and width are not constant. The U wave begins slowly or suddenly in the baseline, or in the late T wave slope area, with the slow wave appearing at the end of the repolarization of the ventricle.

PR 간격은 심방의 탈분극 초기에서 심실의 탈분극 초기 시간까지의 간격이다. QT 간격은 처음 심실 탈분극에서 마지막 심실 재분극까지의 간격이다. ST 세그먼트는 좌,우 심실의 초기 재분극 상태, 즉 심실 근육이 모두 탈분극된 상태를 나타낸다.The PR interval is the interval from the initial ventricular depolarization to the initial ventricular depolarization time. The QT interval is the interval from the initial ventricular depolarization to the final ventricular repolarization. The ST segment represents the initial repolarization state of the left and right ventricles, ie, the ventricular muscle is depolarized.

ST 세그먼트는 심실 근육이 모두 탈분극된 상태이므로, 이 전압이 베이스 라인에 있지 않다는 것은 모든 심실근 세포가 동시에 탈분극되지 않다는 것을 의미하며, 심근 경색과 같은 병리적인 현상을 의미한다.Since the ST segment is depolarized in both ventricular muscles, the fact that this voltage is not at the baseline means that all ventricular myocytes are not depolarized at the same time, which is a pathological phenomenon such as myocardial infarction.

T파 정보를 이용하여 심방세동 예측 모델을 생성하기 위해서, 특징 추출부(110)는 잡음 제거부(111), T파 검출부(112), 파생 특징 생성부(113) 및 프로파일 생성부(114)를 포함할 수 있다.The feature extraction unit 110 includes a noise removing unit 111, a T wave detecting unit 112, a derivative feature generating unit 113, and a profile generating unit 114, to generate an atrial fibrillation prediction model using the T wave information. . ≪ / RTI >

잡음 제거부(111)는 심전도 데이터에 포함되는 잡음(noise)을 제거(elimination)한다. 심전도 데이터에는 잡음과, 베이스라인 완더링(baseline wandering) 등의 측정을 부정확하게 하는 요소들이 포함될 수 있으므로, 잡음 제거부(111)를 통해 잡음과, 베이스라인 완더링 등의 측정을 부정확하게 하는 요소들을 제거한다.The noise removing unit 111 eliminates noise included in the electrocardiogram data. Since electrocardiographic data may include elements that make noise and baseline wandering measurements inaccurate, the noise canceller 111 may be used to reduce noise, baseline wandering, and other inaccuracies Lt; / RTI >

T파 검출부(112)는 잡음 제거부(111)에 의해 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출한다. 이 때, 설정된 시간 구간은 과거의 특정 시간부터 현재 시간까지를 의미할 수 있고, 설정된 시간 구간내에는 다수의 박동이 포함될 수 있어, 도 2 에 도시한 심전도 데이터 파형이 여러번 반복될 수 있다. The T wave detecting unit 112 detects the T wave fundamental characteristics within the set time interval from the electrocardiogram data from which the noise is removed by the noise removing unit 111. [ At this time, the set time interval may mean a specific time from the past to the present time, and a plurality of beats may be included in the set time interval, so that the electrocardiogram data waveform shown in FIG. 2 may be repeated many times.

한편, 심전도 데이터는 심전도 측정장치(도면 도시 생략)에 의해 측정되며, 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있으므로, T파 검출부(112)가 각 채널별 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 측정 채널별로 검출하도록 구현될 수도 있다. On the other hand, the electrocardiogram data is measured by an electrocardiogram measuring device (not shown). Since a plurality of electrocardiogram data can be measured through a plurality of measurement channels according to the number of electrodes attached to the body, And to detect the T-wave fundamental characteristics within a set time interval from the electrocardiogram data for each channel for each measurement channel.

한편, T파로부터 직접 획득 가능한 T파 기본 특징은 도 2 에 도시한 바와 같이, T파 시작 위치(Tonset), T파 피크(Tpeak), T파 종료 위치(Toffset), T파 진폭(T amplitude), T파가 위치하는 영역인 T파 영역(T area), T파가 시작되기 전의 영역인 T파 좌측 영역(T left area), T파가 종료하고 난 후의 T파 우측 영역(T right area) 중 적어도 하나의 정보를 포함할 수 있다.2, the T wave starting position (T onset ), the T wave peak (T peak ), the T wave end position (T offset ), the T wave amplitude (T amplitude), a T wave area (T area) where the T wave is located, a T wave left area (T left area) before the T wave starts, and a T wave right area T < / RTI > right area).

파생 특징 생성부(113)는 T파 검출부(112)에 의해 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성한다. 이 때, T파 기본 특징으로부터 파생되는 T파 파생 특징은 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 중 적어도 하나의 정보를 포함할 수 있다.The derivative feature generation unit 113 analyzes the T wave fundamental characteristics detected by the T wave detection unit 112 to generate T wave derivation features for each beat. At this time, the T-wave derived feature derived from the T-wave fundamental characteristic is a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And a far-side region variation.

프로파일 생성부(114)는 파생 특징 생성부(113)에 의해 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성한다. T파 특징 프로파일은 T파 파생 특징 패턴을 포함할 수 있으며, 심방세동 예측시 심방세동 예측 모델 검색에 이용되는 정보이다.The profile generating unit 114 generates a T wave characteristic profile using the T wave derivation features for each beat generated by the derivation feature generating unit 113. The T-wave feature profile may include a T-wave derived feature pattern and is information used to search for atrial fibrillation prediction model in the prediction of atrial fibrillation.

예컨대, 프로파일 생성부(114)가 박동(beat)별 T파 파생 특징들의 평균값을 계산하여 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(113)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.For example, the profile generator 114 may be implemented to calculate an average value of T-wave derived features per beat to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 113 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(114)는 3개의 T파 파생 특징들에 포함되는 세부요소들의 평균값을 구할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And the right side region variation, the profile generating unit 114 can obtain an average value of the sub-elements included in the three T wave derivation features.

세부요소들의 평균값이 구해지면, 프로파일 생성부(114)는 구해진 세부요소들의 평균값을 가지는 새로운 T파 파생 특징 패턴을 생성하고, 이 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.When the average value of the sub-elements is obtained, the profile generation unit 114 may generate a new T wave derivative characteristic pattern having an average value of the obtained sub elements and generate a T wave characteristic profile including the T wave derivative characteristic pattern .

이와는 달리, 프로파일 생성부(114)가 박동(beat)별 T파 파생 특징들의 평균값을 계산하고, 평균값과 비교해 표준편차 이내의 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(113)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.Alternatively, the profile generator 114 may be configured to calculate an average value of the T-wave derived features per beat and to compare the average value with an average value to select T-wave derived features within a standard deviation to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 113 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(114)는 3개의 T파 파생 특징들에 포함되는 세부요소들의 평균값을 구할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And the right side region variation, the profile generating unit 114 can obtain an average value of the sub-elements included in the three T wave derivation features.

세부요소들의 평균값이 구해지면, 프로파일 생성부(114)는 구해진 세부요소들과 박동(beat)별 T파 파생 특징들에 포함되는 세부요소들을 비교해 표준편차를 구하고, 표준편차 이내의 T파 파생 특징들을 선택해, 선택된 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.When the average value of the detailed elements is obtained, the profile generating unit 114 compares the detailed elements included in the obtained T wave derivation features with the obtained detailed elements to obtain a standard deviation, and calculates a T wave derivation characteristic Wave feature profile including the selected T wave derivative feature pattern.

이와는 달리, 프로파일 생성부(114)가 박동(beat)별 T파 파생 특징들과 임계조건을 비교해 임계조건을 충족하는 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(113)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.Alternatively, the profile generator 114 may be configured to compare T-wave derived features per beat with threshold conditions and select T-wave derived features that meet the threshold condition to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 113 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(114)는 박동(beat)별 T파 파생 특징들에 포함되는 세부요소들 각각을 임계값과 비교해 임계값 이상 또는 임계값 미만인지 검출하고, 임계조건을 충족하는 T파 파생 특징들을 선택해, 선택된 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T The profile generator 114 compares each of the sub-elements included in the T-wave-derived features of each beat with a threshold value and determines whether the sub-threshold is greater than or equal to a threshold value And select T wave derivative features that meet the threshold condition to generate a T wave feature profile that includes the selected T wave derivative feature pattern.

예측 모델 생성부(120)는 특징 추출부(110)에 의해 생성된 T파 특징 프로파일을 분류하여 심방세동 예측 모델을 생성한다. 예컨대, 예측 모델 생성부(120)가 특징 추출부(110)에 의해 생성된 심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 심방세동 예측 모델을 생성하도록 구현될 수 있다.The predictive model generation unit 120 classifies the T wave feature profile generated by the feature extraction unit 110 to generate an atrial fibrillation prediction model. For example, the predictive model generation unit 120 compares the T wave feature profiles of the atrial fibrillation patient group generated by the feature extraction unit 110 with the T wave feature profiles of the atrial fibrillation ratio patient group, The atrial fibrillation pattern may be classified according to the included T wave derivative pattern to generate an atrial fibrillation prediction model.

특징 추출부(110)로 심방세동 환자임을 이미 알고 있는 심방세동 환자군과, 심방세동 환자가 아님을 이미 알고 있는 심방세동 비환자군의 심전도 데이터가 입력되면, 특징 추출부(110)에 의해 심방세동 환자군의 T파 특징 프로파일과, 심방세동 비환자군의 T파 특징 프로파일이 생성된다.If the electrocardiogram data of the atrial fibrillation patient group already known to be an atrial fibrillation patient and the atrial fibrillation non-patient group that is already known to be not an atrial fibrillation patient are input by the feature extraction unit 110, the feature extraction unit 110 extracts the atrial fibrillation And the T wave characteristic profile of the atrial fibrillation non-patient group are generated.

그러면, 예측 모델 생성부(120)가 심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 심방세동 예측 모델을 생성한다.Then, the predictive model generation unit 120 compares the T wave characteristic profiles of the atrial fibrillation patient group with the T wave characteristic profiles of the atrial fibrillation non-patient group, The fibrillation pattern is classified to generate the atrial fibrillation prediction model.

이렇게 구현함에 의해, 이 실시예에 따른 심방세동 예측 모델 생성장치(100)는 설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 이들을 기반으로 심방세동 예측에 이용할 수 있는 심방세동 예측 모델을 생성할 수 있게 된다.In this way, the atrial fibrillation prediction model generating apparatus 100 according to this embodiment analyzes the electrocardiographic data within the set time interval to extract important features of the T wave, and based on these, A prediction model can be generated.

부가적인 양상에 따르면, 심방세동 예측 모델 생성장치(100)가 심전도 데이터베이스(130)를 더 포함할 수 있다. 심전도 데이터베이스(130)는 적어도 하나의 심방세동 환자 및 적어도 하나의 심방세동 비환자의 심전도 데이터를 저장한다.According to an additional aspect, the atrial fibrillation prediction model generation apparatus 100 may further include an electrocardiogram database 130. [ The electrocardiogram database 130 stores electrocardiographic data of at least one atrial fibrillation patient and at least one atrial fibrillation ratio patient.

즉, 심전도 데이터베이스(130)는 심전도 측정장치(도면 도시 생략)에 의해 측정되는 적어도 하나의 심방세동 환자 및 적어도 하나의 심방세동 비환자의 심전도 데이터를 수집하여 데이터베이스화하여 미리 저장한 것으로, 심전도 데이터베이스(130)에 미리 저장된 심방세동 환자군 및 심방세동 비환자군의 심전도 데이터로부터 심방세동 예측 모델을 생성할 수 있도록 할 수 있다.That is, the electrocardiogram database 130 collects electrocardiogram data of at least one atrial fibrillation patient and at least one atrial fibrillation ratio patient measured by an electrocardiogram measuring device (not shown) The atrial fibrillation prediction model can be generated from the electrocardiographic data of the atrial fibrillation patient group and the atrial fibrillation non-patient group stored in advance in the memory 130.

부가적인 양상에 따르면, 심방세동 예측 모델 생성장치(100)는 예측 모델 데이터베이스(140)를 더 포함할 수 있다. 예측 모델 데이터베이스(140)는 예측 모델 생성부(120)에 의해 생성된 심방세동 예측 모델을 저장한다. 이 예측 모델 데이터베이스(140)에 저장된 심방세동 예측 모델을 이용해 추후 설명될 심방세동 예측장치(200)가 실시간으로 미래 시점의 심방세동을 예측하게 된다.According to an additional aspect, the atrial fibrillation prediction model generation apparatus 100 may further include a prediction model database 140. [ The prediction model database 140 stores the atrial fibrillation prediction model generated by the prediction model generation unit 120. [ The atrial fibrillation prediction device 200 to be described later predicts the atrial fibrillation of the future time point in real time using the atrial fibrillation prediction model stored in the prediction model database 140. [

도 3 은 본 발명에 따른 심방세동 예측장치의 일 실시예에 따른 블럭도이다. 이 실시예에 따른 심방세동 예측장치(200)는 특징 추출부(210), 심방세동 예측부(220) 및 예측 결과 출력부(230)를 포함할 수 있다.3 is a block diagram of an atrial fibrillation prediction apparatus according to an embodiment of the present invention. The atrial fibrillation prediction apparatus 200 according to this embodiment may include a feature extraction unit 210, an atrial fibrillation prediction unit 220, and a prediction result output unit 230.

특징 추출부(210)는 실시간 수집되는 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 특징들을 추출하고, T파 특징들을 분석해 T파 특징 프로파일을 생성한다. 수술 환자 등과 같은 측정 대상자의 심전도 데이터는 심전도 측정장치(도면 도시 생략)에 의해 실시간 측정되며, 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있다.The feature extraction unit 210 extracts T-wave features within the set time interval from the electrocardiogram data of the measurement subject collected in real time, and analyzes the T-wave features to generate a T-wave feature profile. The electrocardiogram data of the measurement subject such as a surgical patient is measured in real time by an electrocardiogram measuring device (not shown), and a plurality of electrocardiogram data can be measured through a plurality of measurement channels according to the number of electrodes attached to the body.

T파 정보를 이용하여 측정 대상자의 미래 시점의 심방세동 발생을 예측하기 위해서, 특징 추출부(210)는 잡음 제거부(211), T파 검출부(212), 파생 특징 생성부(213) 및 프로파일 생성부(214)를 포함하도록 구현될 수 있다.In order to predict occurrence of atrial fibrillation at a future time point of the measurement subject using the T wave information, the feature extraction unit 210 includes a noise removing unit 211, a T wave detecting unit 212, a derivative feature generating unit 213, And a generation unit 214. [0050] FIG.

잡음 제거부(211)는 측정 대상자의 심전도 데이터에 포함되는 잡음(noise)을 제거(elimination)한다. 측정 대상자의 심전도 데이터에는 잡음과, 베이스라인 완더링(baseline wandering) 등의 측정을 부정확하게 하는 요소들이 포함될 수 있으므로, 잡음 제거부(211)를 통해 잡음과, 베이스라인 완더링 등의 측정을 부정확하게 하는 요소들을 제거한다.The noise removing unit 211 eliminates noise included in the electrocardiogram data of the measurement subject. Since the electrocardiogram data of the person to be measured may include elements that make the measurement such as noise and baseline wandering inaccurate, the noise cancellation 211 may cause the measurement such as noise and baseline wandering to be inaccurate Remove the elements that make it.

T파 검출부(212)는 잡음 제거부(211)에 의해 잡음이 제거된 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출한다. 이 때, 설정된 시간 구간은 과거의 특정 시간부터 현재 시간까지를 의미할 수 있고, 설정된 시간 구간내에는 다수의 박동이 포함될 수 있어, 도 2 에 도시한 심전도 데이터 파형이 여러번 반복될 수 있다. The T wave detecting unit 212 detects the T wave fundamental characteristics within the set time interval from the electrocardiogram data of the measurement subject whose noise has been removed by the noise removing unit 211. [ At this time, the set time interval may mean a specific time from the past to the present time, and a plurality of beats may be included in the set time interval, so that the electrocardiogram data waveform shown in FIG. 2 may be repeated many times.

한편, 심전도 데이터는 심전도 측정장치(도면 도시 생략)에 의해 측정되며, 신체에 부착되는 전극 수에 따라 다수의 측정 채널을 통해 복수의 심전도 데이터가 측정될 수 있으므로, T파 검출부(212)가 각 채널별 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 측정 채널별로 검출하도록 구현될 수도 있다.On the other hand, the electrocardiogram data is measured by an electrocardiogram measuring device (not shown). Since a plurality of electrocardiogram data can be measured through a plurality of measurement channels according to the number of electrodes attached to the body, And to detect the T-wave fundamental characteristics within a set time interval from the electrocardiogram data for each channel for each measurement channel.

한편, T파로부터 직접 획득 가능한 T파 기본 특징은 도 2 에 도시한 바와 같이, T파 시작 위치(Tonset), T파 피크(Tpeak), T파 종료 위치(Toffset), T파 진폭(T amplitude), T파가 위치하는 영역인 T파 영역(T area), T파가 시작되기 전의 영역인 T파 좌측 영역(T left area), T파가 종료하고 난 후의 T파 우측 영역(T right area) 중 적어도 하나의 정보를 포함할 수 있다.2, the T wave starting position (T onset ), the T wave peak (T peak ), the T wave end position (T offset ), the T wave amplitude (T amplitude), a T wave area (T area) where the T wave is located, a T wave left area (T left area) before the T wave starts, and a T wave right area T < / RTI > right area).

파생 특징 생성부(213)는 T파 검출부(212)에 의해 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성한다. 이 때, T파 기본 특징으로부터 파생되는 T파 파생 특징은 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 중 적어도 하나의 정보를 포함할 수 있다.The derivative feature generation unit 213 analyzes the T wave fundamental characteristics detected by the T wave detection unit 212 to generate T wave derivative features for each beat. At this time, the T-wave derived feature derived from the T-wave fundamental characteristic is a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And a far-side region variation.

프로파일 생성부(214)는 파생 특징 생성부(213)에 의해 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성한다. T파 특징 프로파일은 T파 파생 특징 패턴을 포함할 수 있으며, 심방세동 예측시 심방세동 예측 모델 검색에 이용되는 정보이다.The profile generation unit 214 generates a T wave characteristic profile using the T wave derivation features for each beat generated by the derivation feature generation unit 213. [ The T-wave feature profile may include a T-wave derived feature pattern and is information used to search for atrial fibrillation prediction model in the prediction of atrial fibrillation.

예컨대, 프로파일 생성부(214)가 박동(beat)별 T파 파생 특징들의 평균값을 계산하여 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(213)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.For example, the profile generator 214 may be implemented to calculate an average value of T-wave derived features per beat to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 213 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(214)는 3개의 T파 파생 특징들에 포함되는 세부요소들의 평균값을 구할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And wave-side region variation, the profile generation unit 214 can obtain an average value of the sub-elements included in the three T-wave derivative features.

세부요소들의 평균값이 구해지면, 프로파일 생성부(214)는 구해진 세부요소들의 평균값을 가지는 새로운 T파 파생 특징 패턴을 생성하고, 이 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.When the average value of the sub-elements is obtained, the profile generation unit 214 may generate a new T wave derivative characteristic pattern having an average value of the obtained sub-elements and generate a T wave characteristic profile including the T wave derivative characteristic pattern .

이와는 달리, 프로파일 생성부(214)가 박동(beat)별 T파 파생 특징들의 평균값을 계산하고, 평균값과 비교해 표준편차 이내의 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(213)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.Alternatively, the profile generating unit 214 may be configured to calculate an average value of T-wave derived features per beat and to compare the average values with average values to select T-wave derived features within a standard deviation to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 213 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(214)는 3개의 T파 파생 특징들에 포함되는 세부요소들의 평균값을 구할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T And wave-side region variation, the profile generation unit 214 can obtain an average value of the sub-elements included in the three T-wave derivative features.

세부요소들의 평균값이 구해지면, 프로파일 생성부(214)는 구해진 세부요소들과 박동(beat)별 T파 파생 특징들에 포함되는 세부요소들을 비교해 표준편차를 구하고, 표준편차 이내의 T파 파생 특징들을 선택해, 선택된 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.When the average value of the detailed elements is obtained, the profile generating unit 214 compares the detailed elements included in the obtained T wave derivation features with the obtained detailed elements to obtain a standard deviation, and calculates a T wave derivation characteristic Wave feature profile including the selected T wave derivative feature pattern.

이와는 달리, 프로파일 생성부(214)가 박동(beat)별 T파 파생 특징들과 임계조건을 비교해 임계조건을 충족하는 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하도록 구현될 수 있다. 만약, 설정된 시간 구간내에 3번의 박동이 존재하다고 가정하면, 각 박동별로 파생 특징 생성부(213)에 의해 3개의 T파에 대한 T파 파생 특징들이 생성된다.Alternatively, the profile generator 214 may be configured to compare T-wave derived features per beat with threshold conditions and select T-wave derived features that meet the threshold condition to generate a T-wave feature profile. Assuming that there are three beats within the set time interval, the T-wave derivative features for three T waves are generated by the derivative feature generation unit 213 for each beat.

각 박동(beat)별 T파 파생 특징들에는 T파 기간(duration)(Toffset - Tonset), T파 좌측 기간(Tleft = Tpeak - Tonset), T파 우측 기간(Tright = Toffset - Tpeak), T파 기간 변동(ΔT), T파 좌측 기간 변동(ΔTleft), T파 우측 기간 변동(ΔTright), T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 등의 세부요소들이 포함되므로, 프로파일 생성부(214)는 박동(beat)별 T파 파생 특징들에 포함되는 세부요소들 각각을 임계값과 비교해 임계값 이상 또는 임계값 미만인지 검출하고, 임계조건을 충족하는 T파 파생 특징들을 선택해, 선택된 T파 파생 특징 패턴을 포함하는 T파 특징 프로파일을 생성할 수 있다.Each T-wave derivative feature for each beat includes a T-wave duration (T offset - T onset ), T wave left period (T left = T peak - T onset ), T wave right period (T right = T offset - T peak , T wave period variation (ΔT), T wave left period variation (ΔT left ), T wave right period variation (ΔT right ), T wave amplitude variation, T wave area variation, T wave left area variation, T The profile generator 214 compares each of the sub-elements included in the T-wave derived features of each beat with a threshold value and determines whether the sub-threshold values are below a threshold value or below a threshold value And select T wave derivative features that meet the threshold condition to generate a T wave feature profile that includes the selected T wave derivative feature pattern.

도 4 는 본 발명에 따른 심방세동 예측장치의 심방세동 예측 개요도이다. 현재 시간(current time)으로부터 y시간 이후 발생할 심방세동의 발생 시점을 예측하기 위해 현재 시간으로부터 x시간 이전부터 현재까지의 측정 대상자의 심전도 데이터로부터 T파 특징 및 T파 파생 특징을 특징 추출부(210)를 통해 검출하여 T파 특징 프로파일을 생성한다.4 is a schematic diagram of atrial fibrillation prediction of the atrial fibrillation prediction apparatus according to the present invention. In order to predict the occurrence time of atrial fibrillation occurring after the time y from the current time, the T wave characteristic and the T wave derivative characteristic are extracted from the electrocardiogram data of the measurement subject from the time before to the present time from the current time to the feature extraction unit 210 ) To generate a T wave characteristic profile.

심방세동 예측부(220)는 미리 저장된 심방세동 예측 모델을 참조해 특징 추출부(210)에 의해 생성된 T파 특징 프로파일에 대응하는 심방세동 양상에 따른 T파 파생 특징 패턴을 검색해 측정 대상자의 심방세동 발생 가능성을 예측한다.The atrial fibrillation predicting unit 220 refers to a previously stored atrial fibrillation prediction model and searches a T wave derived characteristic pattern according to the atrial fibrillation pattern corresponding to the T wave characteristic profile generated by the characteristic extracting unit 210, Predict the possibility of fibrillation.

심방세동 예측 모델에는 심방세동 예측 모델 생성장치(100)에 의해 심방세동 환자군 및 심방세동 비환자군의 심전도 데이터로부터 분석된 T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상이 분류되어 있으므로, 특징 추출부(210)에 의해 생성된 측정 대상자의 T파 특징 프로파일에 대응하는 심방세동 양상을 심방세동 예측부(220)를 통해 심방세동 예측 모델로부터 검색하여 측정 대상자의 심방세동이 미래의 어느 시점에 발생될 가능성이 있는지 예측할 수 있다.The atrial fibrillation prediction model is classified into atrial fibrillation patterns according to the T-wave derived characteristic pattern included in the T-wave characteristic profile analyzed from the electrocardiographic data of the atrial fibrillation model group and the atrial fibrillation non- Therefore, the atrial fibrillation pattern corresponding to the T wave characteristic profile of the measurement subject generated by the feature extraction unit 210 is searched from the atrial fibrillation prediction model through the atrial fibrillation prediction unit 220, It is possible to predict at what point it is likely to occur.

예측 결과 출력부(230)는 심방세동 예측부(220)에 의해 예측된 심방세동 발생 가능성 결과를 출력한다. 예컨대, 예측 결과 출력부(230)가 심방세동 예측장치(200) 자체에 구비된 LCD 또는 LED 화면 등을 통해 예측된 심방세동 발생 가능성 결과를 화면 출력하도록 구현될 수 있다.The prediction result output unit 230 outputs the predicted result of the atrial fibrillation probability predicted by the atrial fibrillation prediction unit 220. [ For example, the prediction result output unit 230 may be configured to output a predicted result of the atrial fibrillation occurrence possibility through an LCD or an LED screen provided in the atrial fibrillation prediction apparatus 200 itself.

이와는 달리, 예측 결과 출력부(230)가 심방세동 예측장치(200)에 연결된 프린터 장치 등을 통해 예측된 심방세동 발생 가능성 결과를 인쇄하여 출력하도록 구현될 수도 있다.Alternatively, the prediction result output unit 230 may be configured to print out and output the predicted result of the atrial fibrillation probability through the printer device or the like connected to the atrial fibrillation prediction device 200. [

이와는 달리, 예측 결과 출력부(230)가 심방세동 예측장치(200)에 연결된 PC나, 서버 또는 타 의료기기 장치로 예측된 심방세동 발생 가능성 결과를 네트워크 출력하도록 구현될 수도 있다.Alternatively, the prediction result outputting unit 230 may be configured to output the predicted result of the atrial fibrillation probability predicted by the PC connected to the atrial fibrillation prediction apparatus 200, a server, or another medical device.

이와 같이 구현함에 의해, 이 실시예에 따른 심방세동 예측장치(200)는 측정 대상자의 심전도 데이터가 실시간 수집되는 상황에서, 설정된 시간 구간내의 측정 대상자의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 추출된 T파의 중요 특징들과 관련한 심방세동 예측 모델을 검색하여 미래의 심방세동 발생 가능성을 예측할 수 있어, 심방세동 발생 위험도가 높은 환자의 심방세동 발생을 미연에 예방할 수 있으며, 저위험군의 환자들에게 행해지는 과도한 예방 처치를 방지할 수 있게 된다.By implementing such an embodiment, the atrial fibrillation prediction apparatus 200 according to this embodiment analyzes the electrocardiogram data of the measurement subject in the set time interval in a situation where the electrocardiogram data of the measurement subject is collected in real time, and extracts important features of the T wave And the possibility of the occurrence of atrial fibrillation in the future can be predicted by searching the atrial fibrillation prediction model related to the important features of the extracted T wave. Thus, it is possible to prevent the occurrence of atrial fibrillation in a patient having a high risk of atrial fibrillation, Thereby avoiding excessive preventive measures to be performed on the patients of the present invention.

한편, 부가적인 양상에 따르면, 심방세동 예측장치(200)가 예측 모델 데이터베이스(240)를 더 포함할 수 있다. 예측 모델 데이터베이스(240)는 T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상이 분류된 심방세동 예측 모델을 저장한다.On the other hand, according to an additional aspect, the atrial fibrillation prediction device 200 may further include a prediction model database 240. The prediction model database 240 stores the atrial fibrillation prediction model in which the atrial fibrillation pattern is classified according to the T wave derivative pattern included in the T wave characteristic profile.

즉, 이 실시예는 심방세동 예측장치(200)가 심방세동 발생 예측시 참조되는 심방세동 예측 모델을 저장하는 예측 모델 데이터베이스(240)를 구비하도록 구현한 실시예이다.That is, this embodiment is an embodiment in which the atrial fibrillation prediction device 200 is provided with the prediction model database 240 storing the atrial fibrillation prediction model to be referred to in the prediction of the occurrence of atrial fibrillation.

이상에서 설명한 바와 같은 심방세동 예측 모델 생성장치(100)의 심방세동 예측 모델 생성 동작 및 심방세동 예측장치(200)의 심방세동 발생 가능성 예측 동작을 도 5 및 도 6 을 통해 각각 알아본다.The operation of generating the atrial fibrillation prediction model of the apparatus 100 for generating an atrial fibrillation prediction model as described above and the operation of predicting the possibility of atrial fibrillation of the atrial fibrillation prediction apparatus 200 will be described with reference to FIGS. 5 and 6, respectively.

도 5 는 본 발명에 따른 심방세동 예측 모델 생성장치의 심방세동 예측 모델 생성 동작의 일 예를 도시한 흐름도이다. 단계 510에서 심방세동 예측 모델 생성장치가 심전도 데이터에 포함된 잡음을 제거한다.FIG. 5 is a flowchart illustrating an operation of generating an atrial fibrillation prediction model of an apparatus for generating an atrial fibrillation prediction model according to the present invention. In step 510, the atrial fibrillation prediction model generation device removes the noise included in the electrocardiogram data.

그리고, 단계 520에서 심방세동 예측 모델 생성장치가 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출한다. T파 기본 특징과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.In step 520, the atrial fibrillation prediction model generating apparatus detects T-wave basic features within the set time interval from the noisy electrocardiogram data. Since the T-wave fundamental characteristics are described in the foregoing, redundant description is omitted.

그 다음, 단계 530에서 심방세동 예측 모델 생성장치가 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성한다. T파 파생 특징과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Next, in step 530, the atrial fibrillation prediction model generation apparatus analyzes the detected T wave fundamental characteristics to generate T wave derived features for each beat. Since the T-wave derivation feature has been described in advance, redundant explanation is omitted.

그 다음, 단계 540에서 심방세동 예측 모델 생성장치가 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성한다. T파 특징 프로파일과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Then, in step 540, the atrial fibrillation prediction model generating apparatus generates a T wave characteristic profile using the generated T wave derivation features for each beat. Since the T wave characteristic profile has been described in the foregoing, redundant description is omitted.

그 다음, 단계 550에서 심방세동 예측 모델 생성장치가 생성된 T파 특징 프로파일을 분류하여 심방세동 예측 모델을 생성한다. 심방세동 예측 모델 생성과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Next, in step 550, the atrial fibrillation prediction model generating apparatus generates the atrial fibrillation prediction model by classifying the generated T wave characteristic profile. Since we have already discussed the generation of the atrial fibrillation prediction model, redundant explanation is omitted.

이렇게 함에 의해, 설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 이들을 기반으로 심방세동 예측에 이용할 수 있는 심방세동 예측 모델을 생성할 수 있게 된다.By doing so, it is possible to generate the atrial fibrillation prediction model that can be used for predicting the atrial fibrillation based on the analysis of the electrocardiographic data within the set time interval, extracting important features of the T wave.

도 6 는 본 발명에 따른 심방세동 예측장치의 심방세동 발생 가능성 예측 동작의 일 예를 도시한 흐름도이다. 단계 610에서 심방세동 예측장치가 실시간 수집되는 측정 대상자의 심전도 데이터에 포함된 잡음을 제거한다.FIG. 6 is a flowchart illustrating an operation of predicting the possibility of atrial fibrillation in the atrial fibrillation prediction apparatus according to the present invention. In step 610, the atrial fibrillation prediction device removes the noise included in the electrocardiogram data of the measurement subject in real time.

그리고, 단계 620에서 심방세동 예측장치가 잡음이 제거된 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출한다. T파 기본 특징과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.In step 620, the atrial fibrillation prediction apparatus detects T-wave basic features within the set time interval from the electrocardiogram data of the subject whose noise has been removed. Since the T-wave fundamental characteristics are described in the foregoing, redundant description is omitted.

그 다음, 단계 630에서 심방세동 예측장치가 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성한다. T파 파생 특징과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Then, in step 630, the atrial fibrillation predictor analyzes the detected T-wave fundamental characteristics to generate T-wave derived features for each beat. Since the T-wave derivation feature has been described in advance, redundant explanation is omitted.

그 다음, 단계 640에서 심방세동 예측장치가 생성된 박동(beat)별 T파 파생 특징들을 이용하여 측정 대상자의 T파 특징 프로파일을 생성한다. T파 특징 프로파일과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Then, in step 640, the atrial fibrillation prediction device generates a T wave characteristic profile of the measurement subject using beat-specific T wave derivation features generated by the beat. Since the T wave characteristic profile has been described in the foregoing, redundant description is omitted.

그 다음, 단계 650에서 심방세동 예측장치가 미리 저장된 심방세동 예측 모델을 참조해 생성된 측정 대상자의 T파 특징 프로파일에 대응하는 심방세동 양상에 따른 T파 파생 특징 패턴을 검색해 측정 대상자의 심방세동 발생 가능성을 예측한다. 심방세동 예측 모델과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Then, in step 650, the atrial fibrillation prediction apparatus searches the T-wave derived feature pattern according to the atrial fibrillation pattern corresponding to the T-wave characteristic profile of the measurement subject generated by referring to the stored atrial fibrillation prediction model stored in advance, Predict potential. Since we have already discussed the atrial fibrillation prediction model, redundant explanation is omitted.

그 다음, 단계 660에서 심방세동 예측장치가 예측된 측정 대상자의 심방세동 발생 가능성 결과를 출력한다. 심방세동 발생 가능성 결과 출력과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.Then, in step 660, the atrial fibrillation prediction apparatus outputs the predicted result of the atrial fibrillation probability of the measurement subject. The possibility of atrial fibrillation has been explained with regard to the output of the result, so redundant explanation is omitted.

이렇게 함에 의해, 설정된 시간 구간내의 심전도 데이터를 분석하여 T파의 중요 특징들을 추출하고, 추출된 T파의 중요 특징들과 관련한 심방세동 예측 모델을 검색하여 미래의 심방세동 발생 가능성을 예측할 수 있어, 심방세동 발생 위험도가 높은 환자의 심방세동 발생을 미연에 예방할 수 있으며, 저위험군의 환자들에게 행해지는 과도한 예방 처치를 방지할 수 있게 된다.In this way, we can analyze the electrocardiogram data within the set time interval, extract important features of T wave, and search for atrial fibrillation prediction model related to the important features of extracted T wave, It is possible to prevent the occurrence of atrial fibrillation in a patient who is at high risk for atrial fibrillation and to prevent excessive preventive treatment performed in patients of low risk group.

또한, 심전도 데이터의 전구간을 이용해 심방세동 발생 가능성을 예측하지 않고, 설정된 시간 구간내의 심전도 데이터 중 T파만을 이용해 심방세동 발생 가능성을 예측하기 때문에 속도가 빨라 심방세동 발생 가능성에 대한 실시간 예측이 가능하고, 복잡한 프로세서 계산이 필요하지 않아 하드웨어 비용을 절감시킬 수 있다.In addition, it is possible to predict the possibility of atrial fibrillation by using T waves only in the set time interval without predicting the possibility of atrial fibrillation using the whole range of electrocardiogram data. , Which eliminates the need for complex processor calculations and can reduce hardware costs.

발명은 첨부된 도면에 의해 참조되는 바람직한 실시예를 중심으로 기술되었지만, 이러한 기재로부터 후술하는 특허청구범위에 의해 포괄되는 범위내에서 발명의 범주를 벗어남이 없이 다양한 변형이 가능하다는 것은 명백하다.While the invention has been described with reference to the preferred embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art without departing from the scope of the invention as defined by the appended claims.

심방세동(AF : Atrial Fibrillation) 예측 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.Atrial fibrillation (AF) prediction technology and its application technology.

100 : 심방세동 예측 모델 생성장치 110, 210 : 특징 추출부
111, 211 : 잡음 제거부 112, 212 : T파 검출부
113, 213 : 파생 특징 생성부 114, 214 : 프로파일 생성부
120 : 예측 모델 생성부 130 : 심전도 데이터베이스
140, 240 : 예측 모델 데이터베이스 200 : 심방세동 예측장치
220 : 심방세동 예측부 230 : 예측 결과 출력부100: Atrial fibrillation prediction model generation apparatus 110, 210: Feature extraction unit
111, 211: noise removing unit 112, 212: T wave detecting unit
113, 213: Derived feature generation unit 114, 214: Profile generation unit
120: prediction model generation unit 130: electrocardiogram database
140, 240: prediction model database 200: atrial fibrillation prediction device
220: atrial fibrillation predicting unit 230: prediction result output unit

Claims (22)

심전도 데이터로부터 설정된 시간 구간내의 T파 특징을 추출하고, T파 특징을 분석해 T파 특징 프로파일을 생성하는 특징 추출부와;
상기 T파 특징 프로파일을 분류하여 심방세동 예측 모델을 생성하는 예측 모델 생성부를;
포함하고,
상기 예측 모델 생성부는,
상기 특징 추출부에 의해 생성된 심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 심방세동 예측 모델을 생성하는 심방세동 예측 모델 생성장치.A feature extraction unit for extracting a T wave feature within a set time interval from the electrocardiogram data and analyzing the T wave feature to generate a T wave feature profile;
A predictive model generation unit for classifying the T wave characteristic profile to generate an atrial fibrillation prediction model;
Including,
Wherein the prediction model generation unit generates,
The T wave characteristic profiles of the atrial fibrillation patient group generated by the feature extraction unit and the T wave characteristic profiles of the atrial fibrillation non-patient group are compared with each other, and the atrial fibrillation pattern To generate an atrial fibrillation prediction model. 제 1 항에 있어서,
상기 특징 추출부는:
심전도 데이터에 포함되는 잡음을 제거하는 잡음 제거부와;
상기 잡음 제거부에 의해 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출하는 T파 검출부와;
상기 T파 검출부에 의해 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성하는 파생 특징 생성부와;
상기 파생 특징 생성부에 의해 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성하는 프로파일 생성부를;
포함하는 심방세동 예측 모델 생성장치.The method according to claim 1,
Wherein the feature extracting unit comprises:
A noise removing unit for removing noise included in the electrocardiogram data;
A T wave detector for detecting T wave fundamental characteristics within a set time interval from electrocardiogram data in which noises are removed by the noise removing unit;
A derivative feature generation unit for analyzing the T wave fundamental characteristics detected by the T wave detection unit to generate T wave derivation features for each beat;
A profile generation unit for generating a T wave characteristic profile using the T wave derivation features for each beat generated by the derivative feature generation unit;
Comprising atrial fibrillation prediction model generation device. 제 2 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들의 평균값을 계산하여 T파 특징 프로파일을 생성하는 심방세동 예측 모델 생성장치.3. The method of claim 2,
The profile generator may include:
An apparatus for generating an atrial fibrillation prediction model that generates a T wave characteristic profile by calculating an average value of T wave derivatives per beat. 제 2 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들의 평균값을 계산하고, 평균값과 비교해 표준편차 이내의 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하는 심방세동 예측 모델 생성장치.3. The method of claim 2,
The profile generator may include:
An apparatus for generating an atrial fibrillation prediction model, the method comprising: calculating an average value of the T wave derivation features per beat and generating a T wave feature profile by comparing the mean value with a mean value to select T wave derivatives within a standard deviation. 제 2 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들과 임계조건을 비교해 임계조건을 충족하는 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하는 심방세동 예측 모델 생성장치.3. The method of claim 2,
The profile generator may include:
An apparatus for generating an Atrial Fibrillation Prediction Model that generates a T wave feature profile by comparing T wave derivation features of a beat with threshold conditions and selecting T wave derivatives that meet a threshold condition. 제 2 항에 있어서,
상기 T파 검출부는:
각 채널별 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 측정 채널별로 검출하는 심방세동 예측 모델 생성장치.3. The method of claim 2,
Wherein the T wave detector comprises:
The apparatus for generating an atrial fibrillation prediction model for detecting T fundamental characteristics in a set time interval from electrocardiogram data for each channel for each measurement channel. 제 2 항에 있어서,
상기 T파 기본 특징이:
T파 시작 위치, T파 피크, T파 종료 위치, T파 진폭, T파 영역(area), T파 좌측 영역, T파 우측 영역 정보 중 적어도 하나를 포함하는 심방세동 예측 모델 생성장치.3. The method of claim 2,
The T-wave basic features are:
A T wave start position, a T wave peak, a T wave end position, a T wave amplitude, a T wave area, a T wave left side area, and T wave side area information. 제 7 항에 있어서,
상기 T파 파생 특징이:
T파 기간(duration), T파 좌측 기간, T파 우측 기간, T파 기간 변동, T파 좌측 기간 변동, T파 우측 기간 변동, T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 중 적어도 하나를 포함하는 심방세동 예측 모델 생성장치.8. The method of claim 7,
The T wave derivative feature is:
T wave duration, T wave left period, T wave right period, T wave period fluctuation, T wave left period fluctuation, T wave right period fluctuation, T wave amplitude fluctuation, T wave range fluctuation, T wave side region variation in the atrial fibrillation model. 삭제delete 제 1 항에 있어서,
심방세동 예측 모델 생성장치가:
적어도 하나의 심방세동 환자 및 적어도 하나의 심방세동 비환자의 심전도 데이터를 저장하는 심전도 데이터베이스를;
더 포함하는 심방세동 예측 모델 생성장치.The method according to claim 1,
Atrial Fibrillation Prediction Model Generator:
An electrocardiogram database storing electrocardiographic data of at least one atrial fibrillation patient and at least one atrial fibrillation non-patient;
Further comprising atrial fibrillation prediction model generation device. 제 1 항에 있어서,
심방세동 예측 모델 생성장치가:
상기 예측 모델 생성부에 의해 생성된 심방세동 예측 모델을 저장하는 예측 모델 데이터베이스를;
더 포함하는 심방세동 예측 모델 생성장치.The method according to claim 1,
Atrial Fibrillation Prediction Model Generator:
A prediction model database for storing the atrial fibrillation prediction model generated by the prediction model generation unit;
Further comprising atrial fibrillation prediction model generation device. 실시간 수집되는 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 특징들을 추출하고, T파 특징들을 분석해 T파 특징 프로파일을 생성하는 특징 추출부와;
미리 저장된 심방세동 예측 모델을 참조해 상기 특징 추출부에 의해 생성된 T파 특징 프로파일에 대응하는 심방세동 양상에 따른 T파 파생 특징 패턴을 검색해 측정 대상자의 심방세동 발생 가능성을 예측하는 심방세동 예측부와;
상기 심방세동 예측부에 의해 예측된 심방세동 발생 가능성 결과를 출력하는 예측 결과 출력부를;
포함하고,
상기 심방세동 예측 모델은 심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 생성되는 심방세동 예측장치.A feature extraction unit for extracting T wave features within a set time interval from electrocardiogram data of a measurement subject collected in real time and analyzing T wave features to generate a T wave feature profile;
An atrial fibrillation predicting unit for predicting the possibility of atrial fibrillation of a subject to be measured by searching for a T wave derived characteristic pattern according to an atrial fibrillation pattern corresponding to the T wave characteristic profile generated by the characteristic extracting unit by referring to a previously stored atrial fibrillation prediction model, Wow;
A predicted result output unit for outputting a predicted atrial fibrillation probability result by the atrial fibrillal prediction unit;
Including,
The atrial fibrillation prediction model compares the T wave characteristic profiles of the atrial fibrillation patient group with the T wave characteristic profiles of the atrial fibrillation non-patient group and classifies the atrial fibrillation pattern according to the T wave derived characteristic pattern included in the T wave characteristic profile A method for predicting atrial fibrillation. 제 12 항에 있어서,
상기 특징 추출부는:
심전도 데이터에 포함되는 잡음(noise) 및 베이스라인 이탈(baseline wandering)을 제거하는 잡음 제거부와;
상기 잡음 제거부에 의해 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출하는 T파 검출부와;
상기 T파 검출부에 의해 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성하는 파생 특징 생성부와;
상기 파생 특징 생성부에 의해 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성하는 프로파일 생성부를;
포함하는 심방세동 예측장치.13. The method of claim 12,
Wherein the feature extracting unit comprises:
A noise removing unit for removing noise and baseline wandering included in the electrocardiogram data;
A T wave detector for detecting T wave fundamental characteristics within a set time interval from electrocardiogram data in which noises are removed by the noise removing unit;
A derivative feature generation unit for analyzing the T wave fundamental characteristics detected by the T wave detection unit to generate T wave derivation features for each beat;
A profile generation unit for generating a T wave characteristic profile using the T wave derivation features for each beat generated by the derivative feature generation unit;
Includes atrial fibrillation predictor. 제 13 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들의 평균값을 계산하여 T파 특징 프로파일을 생성하는 심방세동 예측장치.14. The method of claim 13,
The profile generator may include:
An atrial fibrillation prediction device for generating a T wave characteristic profile by averaging values of T wave derivatives per beat beat. 제 13 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들의 평균값을 계산하고, 평균값과 비교해 표준편차 이내의 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하는 심방세동 예측장치.14. The method of claim 13,
The profile generator may include:
An atrial fibrillation prediction device that calculates a mean value of T-wave derived features per beat and generates a T-wave feature profile by selecting T-wave derived features within a standard deviation compared to an average value. 제 13 항에 있어서,
상기 프로파일 생성부는:
박동(beat)별 T파 파생 특징들과 임계조건을 비교해 임계조건을 충족하는 T파 파생 특징들을 선택해 T파 특징 프로파일을 생성하는 심방세동 예측장치.14. The method of claim 13,
The profile generator may include:
Atrial Fibrillation Prediction Device that compares T-wave derivative features and critical conditions per beat and generates T-wave feature profiles by selecting T-wave derivative features that meet critical conditions. 제 13 항에 있어서,
상기 T파 검출부는:
각 채널별 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 측정 채널별로 검출하는 심방세동 예측장치.14. The method of claim 13,
Wherein the T wave detector comprises:
The atrial fibrillation predicting device detects the fundamental characteristics of the T wave within the set time interval from the electrocardiogram data of each channel for each measurement channel. 제 13 항에 있어서,
상기 T파 기본 특징이:
T파 시작 위치, T파 피크, T파 종료 위치, T파 진폭, T파 영역(area), T파 좌측 영역, T파 우측 영역 정보 중 적어도 하나를 포함하는 심방세동 예측장치.14. The method of claim 13,
The T-wave basic features are:
A T wave start position, a T wave peak, a T wave end position, a T wave amplitude, a T wave area, a T wave left side area, and T wave side area information. 제 18 항에 있어서,
상기 T파 파생 특징이:
T파 기간(duration), T파 좌측 기간, T파 우측 기간, T파 기간 변동, T파 좌측 기간 변동, T파 우측 기간 변동, T파 진폭 변동, T파 영역 변동, T파 좌측 영역 변동, T파 우측 영역 변동 중 적어도 하나를 포함하는 심방세동 예측장치.19. The method of claim 18,
The T wave derivative feature is:
T wave duration, T wave left period, T wave right period, T wave period fluctuation, T wave left period fluctuation, T wave right period fluctuation, T wave amplitude fluctuation, T wave range fluctuation, T wave side region fluctuation. 제 12 항에 있어서,
심방세동 예측장치가:
T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상이 분류된 심방세동 예측 모델을 저장하는 예측 모델 데이터베이스를;
더 포함하는 심방세동 예측장치.13. The method of claim 12,
Atrial Fibrillation Prediction Device:
A predictive model database storing an atrial fibrillation prediction model in which atrial fibrillation patterns are classified according to a T wave derivative pattern included in the T wave characteristic profile;
Further comprising atrial fibrillation prediction device. 심방세동 예측 모델 생성장치가 심전도 데이터에 포함되는 잡음을 제거하는 단계와;
심방세동 예측 모델 생성장치가 잡음이 제거된 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출하는 단계와;
심방세동 예측 모델 생성장치가 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성하는 단계와;
심방세동 예측 모델 생성장치가 생성된 박동(beat)별 T파 파생 특징들을 이용하여 T파 특징 프로파일을 생성하는 단계와;
심방세동 예측 모델 생성장치가 생성된 T파 특징 프로파일을 분류하여 심방세동 예측 모델을 생성하는 단계를;
포함하고,
상기 심방세동 예측 모델을 생성하는 단계는
심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 심방세동 예측 모델을 생성하는 심방세동 예측 모델 생성방법.Removing the noise included in the electrocardiogram data by the atrial fibrillation prediction model generating device;
Wherein the atrial fibrillation prediction model generating device comprises: detecting T-wave basic features within a set time interval from the noisy electrocardiogram data;
Analyzing T-wave fundamental features detected by the atrial fibrillation prediction model generation device to generate T-wave derived features for each beat;
Generating an atrial fibrillation prediction model generating device using the beat-specific T wave derivation features generated by the beat generating means;
Generating an atrial fibrillation prediction model by classifying the generated T wave characteristic profile of the atrial fibrillation prediction model generating apparatus;
Including,
The step of generating the atrial fibrillation prediction model
The atrial fibrillation model was classified according to the T wave feature pattern included in the T wave feature profile by comparing the T wave characteristic profiles of the atrial fibrillation patient group with the T wave characteristic profiles of the atrial fibrillation non- Generating atrial fibrillation prediction model generation method. 심방세동 예측장치가 실시간 수집되는 측정 대상자의 심전도 데이터에 포함되는 잡음을 제거하는 단계와;
심방세동 예측장치가 잡음이 제거된 측정 대상자의 심전도 데이터로부터 설정된 시간 구간내의 T파 기본 특징들을 검출하는 단계와;
심방세동 예측장치가 검출된 T파 기본 특징들을 분석해 박동(beat)별 T파 파생 특징들을 생성하는 단계와;
심방세동 예측장치가 생성된 박동(beat)별 T파 파생 특징들을 이용하여 측정 대상자의 T파 특징 프로파일을 생성하는 단계와;
심방세동 예측장치가 미리 저장된 심방세동 예측 모델을 참조해 생성된 측정 대상자의 T파 특징 프로파일에 대응하는 심방세동 양상에 따른 T파 파생 특징 패턴을 검색해 측정 대상자의 심방세동 발생 가능성을 예측하는 단계와;
심방세동 예측장치가 예측된 측정 대상자의 심방세동 발생 가능성 결과를 출력하는 단계를;
포함하고,
상기 심방세동 예측 모델은 심방세동 환자군의 T파 특징 프로파일들과, 심방세동 비환자군의 T파 특징 프로파일들을 서로 비교하여, T파 특징 프로파일에 포함되는 T파 파생 특징 패턴에 따라 심방세동 양상을 분류하여 생성되는 심방세동 예측방법.Removing the noise included in the electrocardiogram data of the subject to be measured which is collected in real time by the atrial fibrillation prediction apparatus;
The atrial fibrillation prediction apparatus comprising: detecting T-wave fundamental characteristics within a set time interval from electrocardiogram data of a noise-removed subject;
Analyzing T-wave fundamental features detected by the atrial fibrillation predictor to generate T-wave derived features for each beat;
Generating a T-wave characteristic profile of a measurement subject using beat-specific T-wave derivation features generated by the atrial fibrillation prediction apparatus;
A step of predicting the possibility of atrial fibrillation of the subject to be measured by searching the T wave derivative pattern according to the atrial fibrillation pattern corresponding to the T wave characteristic profile of the measured subject generated by referring to the previously stored atrial fibrillation prediction model by the atrial fibrillation prediction apparatus; ;
The atrial fibrillation predicting device outputting the predicted result of the atrial fibrillation probability of the measurement subject;
Including,
The atrial fibrillation prediction model compares the T wave characteristic profiles of the atrial fibrillation patient group with the T wave characteristic profiles of the atrial fibrillation non-patient group and classifies the atrial fibrillation pattern according to the T wave derived characteristic pattern included in the T wave characteristic profile A method for predicting atrial fibrillation.
KR1020120012960A 2012-02-08 2012-02-08 Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation KR101912090B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120012960A KR101912090B1 (en) 2012-02-08 2012-02-08 Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation
US13/561,403 US8655435B2 (en) 2012-02-08 2012-07-30 Apparatus and method for generating atrial fibrillation prediction model, and apparatus and method for predicting atrial fibrillation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120012960A KR101912090B1 (en) 2012-02-08 2012-02-08 Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation

Publications (2)

Publication Number Publication Date
KR20130091574A KR20130091574A (en) 2013-08-19
KR101912090B1 true KR101912090B1 (en) 2018-10-26

Family

ID=48903506

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120012960A KR101912090B1 (en) 2012-02-08 2012-02-08 Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation

Country Status (2)

Country Link
US (1) US8655435B2 (en)
KR (1) KR101912090B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200109754A (en) * 2019-03-14 2020-09-23 서울시립대학교 산학협력단 Method for classifying type of heartbeat and apparatus using the same
WO2020141807A3 (en) * 2019-01-03 2020-10-15 인하대학교 산학협력단 Method for predicting paroxysmal atrial fibrillation in normal sinus rhythm electrocardiogram state by using deep learning
KR20210066322A (en) * 2019-11-28 2021-06-07 경북대학교 산학협력단 Atrial Fibrillation Predicting System and Method Thereof
KR102342775B1 (en) 2021-05-04 2021-12-24 주식회사 에이티센스 Electrocardiogram signal processing method and apparatus
WO2023022516A1 (en) * 2021-08-17 2023-02-23 주식회사 메디컬에이아이 Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9326693B2 (en) 2014-04-15 2016-05-03 Biosense Webster (Israel) Ltd. Placement of electrodes in proximity to the heart
CN104398252A (en) * 2014-11-05 2015-03-11 深圳先进技术研究院 Electrocardiogram signal processing method and device
KR101896637B1 (en) 2017-06-02 2018-09-07 충남대학교산학협력단 Method for prediction of QT prolongation syndrome by drug
US20220211328A1 (en) 2019-05-08 2022-07-07 Lifelens Technologies, Inc. Monitoring and processing physiological signals to detect and predict dysfunction of an anatomical feature of an individual
KR102257498B1 (en) * 2019-05-29 2021-05-27 연세대학교 산학협력단 Method and apparatus for generating heart model reflected action potential duration restitution kinetics
US20220262516A1 (en) * 2019-09-06 2022-08-18 China Medical University Hospital Atrial Fibrillation Prediction Model And Prediction System Thereof
EP3881767A1 (en) * 2020-03-19 2021-09-22 Tata Consultancy Services Limited Systems and methods for atrial fibrillation (af) and cardiac disorders detection from biological signals
WO2022197037A1 (en) * 2021-03-18 2022-09-22 연세대학교 산학협력단 Apparatus and method for predicting atrial fibrillation prognosis

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007517553A (en) 2004-01-16 2007-07-05 コンプメディクス リミテッド Apparatus and method for monitoring, detecting and classifying sleep breathing disorders derived from electrocardiograms
JP2008515485A (en) 2004-09-30 2008-05-15 カーディアック ペースメーカーズ，インコーポレイテッド Cardiac activation sequence monitoring and follow-up
JP2008521570A (en) * 2004-12-01 2008-06-26 メドトロニック・インコーポレーテッド Method and apparatus for detecting and monitoring T-wave alternation
US20100217144A1 (en) 2007-06-28 2010-08-26 Arenare Brian Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores
JP2010214016A (en) 2009-03-18 2010-09-30 Iwate Medical Univ Electrocardiogram analysis apparatus for analyzing body surface electrocardiogram and creating two-dimensional functional diagram on t-wave alternating pulse or fibrillary wave

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100198761B1 (en) 1996-10-30 1999-06-15 이명호 Apparatus for diagnosis sign st segment and t-wave of electrocardiogram signal
KR19980030894U (en) * 1996-11-30 1998-08-17 엄길용 Taping device of cathode ray tube
KR20030069586A (en) * 2002-02-22 2003-08-27 유기호 Method of ECG Analysis using Polynomial Approximation
US7996073B2 (en) * 2004-10-13 2011-08-09 International Business Machines Corporation System and method for interpreting electrocardiograms
WO2006046930A1 (en) * 2004-10-25 2006-05-04 Tai Chuan Alfred Kwek A system, method and apparatus for detecting a cardiac event
US8155735B2 (en) 2006-09-19 2012-04-10 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
CN104840197B (en) 2008-10-09 2018-04-17 加利福尼亚大学董事会 Machine and process for the source for being automatically positioned biological rhythm disorder
KR101109738B1 (en) * 2009-04-06 2012-02-24 강원대학교산학협력단 Method and device for diagnosing arrhythmia

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007517553A (en) 2004-01-16 2007-07-05 コンプメディクス リミテッド Apparatus and method for monitoring, detecting and classifying sleep breathing disorders derived from electrocardiograms
JP2008515485A (en) 2004-09-30 2008-05-15 カーディアック ペースメーカーズ，インコーポレイテッド Cardiac activation sequence monitoring and follow-up
JP2008521570A (en) * 2004-12-01 2008-06-26 メドトロニック・インコーポレーテッド Method and apparatus for detecting and monitoring T-wave alternation
US20100217144A1 (en) 2007-06-28 2010-08-26 Arenare Brian Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores
JP2010214016A (en) 2009-03-18 2010-09-30 Iwate Medical Univ Electrocardiogram analysis apparatus for analyzing body surface electrocardiogram and creating two-dimensional functional diagram on t-wave alternating pulse or fibrillary wave

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020141807A3 (en) * 2019-01-03 2020-10-15 인하대학교 산학협력단 Method for predicting paroxysmal atrial fibrillation in normal sinus rhythm electrocardiogram state by using deep learning
KR20200109754A (en) * 2019-03-14 2020-09-23 서울시립대학교 산학협력단 Method for classifying type of heartbeat and apparatus using the same
KR102171236B1 (en) 2019-03-14 2020-10-28 서울시립대학교 산학협력단 Method for classifying type of heartbeat and apparatus using the same
US11298067B2 (en) 2019-03-14 2022-04-12 University Of Seoul Industry Cooperation Foundation Method for classifying type of heartbeat and apparatus using the same
KR20210066322A (en) * 2019-11-28 2021-06-07 경북대학교 산학협력단 Atrial Fibrillation Predicting System and Method Thereof
KR102401131B1 (en) * 2019-11-28 2022-05-23 경북대학교 산학협력단 Atrial Fibrillation Predicting System and Method Thereof
KR102342775B1 (en) 2021-05-04 2021-12-24 주식회사 에이티센스 Electrocardiogram signal processing method and apparatus
WO2023022516A1 (en) * 2021-08-17 2023-02-23 주식회사 메디컬에이아이 Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm

Also Published As

Publication number Publication date
KR20130091574A (en) 2013-08-19
US8655435B2 (en) 2014-02-18
US20130204149A1 (en) 2013-08-08

Similar Documents

Publication Publication Date Title
KR101912090B1 (en) Apparatus and method for generating an atrial fibrillation prediction, apparatus and method for predicting an atrial fibrillation
US9456762B2 (en) Atrial fibrillation detection and associated methods
US7167745B2 (en) Methods for quantifying the morphology and amplitude of cardiac action potential alternans
US9131864B2 (en) System and method for evaluating an electrophysiological signal
US8233972B2 (en) System for cardiac arrhythmia detection and characterization
US5772604A (en) Method, system and apparatus for determining prognosis in atrial fibrillation
US9504427B2 (en) Signal averaging
JP2002512831A (en) Apparatus and method for detecting symptoms associated with acute cardiac ischemia
US8684942B2 (en) System for cardiac impairment detection based on signal regularity
US11771360B2 (en) Cardiac monitoring system with normally conducted QRS complex identification
Pueyo et al. Cardiac repolarization analysis using the surface electrocardiogram
KR20130085632A (en) R-peak detection method of ecg signal using adaptive local threshold
US20010034488A1 (en) Method and system of automated hemodynamical detection of arrhythmias
Riasi et al. Prediction of ventricular tachycardia using morphological features of ECG signal
US8818494B2 (en) System for ventricular function abnormality detection and characterization
Reddy et al. Ecg signal characterization and correlation to heart abnormalities
US20040148109A1 (en) Method and apparatus for prediction of cardiac dysfunction
Sbrollini et al. Automatic identification of atrial fibrillation by spectral analysis of fibrillatory waves
Jindal et al. MATLAB based GUI for ECG arrhythmia detection using Pan-Tompkin algorithm
Bansal et al. Template based classification of cardiac arrhythmia in ECG data
KR102432260B1 (en) Biosignal measuring apparatus for detecting abnormal signal section electrocardiogram data using heart sound data related to electrocardiogram data and biosignal measuring method
Lokesh et al. Analysis of QRS Peak and Edge Detection in ECG Signal Using Entorpy
Alcaraz et al. The contribution of nonlinear methods in the understanding of atrial fibrillation
Arotaritei et al. Automatic prediction of paroxysmal atrial fibrillation in patients with heart arrhythmia
Filos et al. Optimising arrhythmia detection for exercise sessions of cardiac patients

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant